CN109191421A - 柱形锂电池圆周面凹坑视觉检测方法 - Google Patents

柱形锂电池圆周面凹坑视觉检测方法 Download PDF

Info

Publication number
CN109191421A
CN109191421A CN201810724486.1A CN201810724486A CN109191421A CN 109191421 A CN109191421 A CN 109191421A CN 201810724486 A CN201810724486 A CN 201810724486A CN 109191421 A CN109191421 A CN 109191421A
Authority
CN
China
Prior art keywords
kinds
feature
battery
image
edge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810724486.1A
Other languages
English (en)
Other versions
CN109191421B (zh
Inventor
于霞
曾祥瑞
苑玮琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN201810724486.1A priority Critical patent/CN109191421B/zh
Publication of CN109191421A publication Critical patent/CN109191421A/zh
Application granted granted Critical
Publication of CN109191421B publication Critical patent/CN109191421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

柱形锂电池圆周面凹坑视觉检测方法，一套基于视觉检测的柱形锂电池圆周面检测方法，该方法的步骤如下：利用图像处理算法对定位图像中电池：利用图像处理算法生成电池缺陷特征：进行特征筛选，从上步中获得的特征筛选出对缺陷分类效果最好的特征组合：确定人工神经网络分类器的隐含层单元数：隐含层单元数由实验确定，使用测试图库对不同隐含层单元数测试，每种单元数测试多次，综合多次实验漏识率结果，结果取漏识率最小以及单元数较小的。将得到的五种特征进行特征筛选，通过实验选择综合漏识率、方差和零漏识次数，可以进一步提高缺陷检出率和优化检测程序运行时间。最后，通过测试不同隐含层的漏识率，使得漏识率最低的同时，网络结构在尽可能简化。

Description

柱形锂电池圆周面凹坑视觉检测方法
技术领域：本发明提供一种柱形锂电池圆周面凹坑视觉检测的方法，属于图像处理及机器学习领域。本发明可以在缺陷检测领域得到广泛应用。
背景技术：电池拥有巨大的消费市场，随着电池消费者对电池的品质要求日益提高，在激烈的市场竞争下，高品质的电池更容易在众多电池厂商中脱颖而出，并且不良品电池也有各种危害，如电池表面的磕碰伤可能导致漏液，对人体造成伤害；又如电池的电压如果低于或高于额定，会可能对用电设备造成损伤。目前电池的检测多采用人工抽样检测，这种检测方式有明显的缺点，如漏检、缺少统一标准、人工长时间工作易疲劳等等，所以传统的电池检测方式已经无法满足现有的电池生产需求，随着视觉算法理论与计算机硬件性能的不断发展，使得通过视觉技术实时检测电池缺陷存在可行性。
发明内容：
发明目的：本发明提供一种基于视觉检测的形锂电池圆周面凹坑的方法，其目的是解决以往所存在的问题，其代替人工检测，通过计算机实现凹坑缺陷的自动化检测。该方法首次利用梯度图像生成共生矩阵获取纹理特征并首次提出加权迹这一特征用于锂电池圆周面凹坑检测。
技术方案：
一套基于视觉检测的柱形锂电池圆周面检测方法，其特征在于该方法的步骤如下：
(1)利用图像处理算法对定位图像中电池：
1)确定电池搜索范围，因为电池图像为固定位置触发捕获，电池在图像中的位置总是在一个可以确定的范围；
2)使用Canny边缘检测，利用边缘宽度和图像的位置，找到电池最上边缘：由于Canny算子能有效地去除图像中的伪边缘点，在电池感兴趣区域定位出来之后，采用Canny算子提取电池边缘，Canny算子的计算步骤为高斯滤波、计算图像梯度的幅值和方向、非极大值抑制，最后使用双阈值T_H和T_L去除伪边缘点。经过实验调试，本文中取T_H＝225，T_L＝45°确定水平跨度大于30个像素点且垂直方向在最上方的边缘为所要定位的边缘；
3)确定电池位置和大小，因为相机与电池的距离固定，根据拍摄到的图像测量即可确定大小。根据上步骤确定的边缘计算边缘的中心点，首先计算边缘上所有点横坐标的均值，在求出位于边缘上距离均值点最近的点作为中心点。以中心点为最上边的中点按电池大小绘制矩形，该矩形即电池的区域。
(2)利用图像处理算法生成电池缺陷特征：
1)计算电池图像的垂直方向梯度，使用Sobel算子来计算梯度；
2)缩减图像的灰度级规模，图像原灰度级数为256，本发明中缩减至16；
3)从梯度图像计算灰度共生矩阵，共生矩阵的生成方向为90°，像素对距离为1；
4)从共生矩阵生成4种常见的特征，即角二阶矩、对比度、倒数差分矩和熵，并根据缺陷的特点，生成本发明定义的加权迹特征。
角二阶矩的定义为：
对比度的定义为：
倒数差分矩的定义为：
熵的定义为：
由于缺陷在梯度图像中表现为较明显的块状区域，缺陷的出现会影响元素对出现的频次，通过观察大量样本生成的共生矩阵，发现矩阵左上角的对角线上的元素(下标较小的元素)值在不同样本的矩阵中的差值不大，矩阵右下角的对角线元素(下标较大的元素)在无缺陷样本中通常等于零或接近于零，而在有缺陷样本中通常为大于零的值，可以通过使下标较小的元素获得较小的权值，以缩小对迹的结果的影响。使下标较大的元素获得较大的权值，以放大对迹的结果的影响。本文创新地将其定义为共生矩阵的加权迹(WTr)，并用之描述缺陷样本的特征，WTr定义为：
(3)进行特征筛选，从上步中获得的特征筛选出对缺陷分类效果最好的特征组合：
1)列出所有的特征向量组合，角二阶矩(ASM)、对比度(CON)、倒数差分矩(IDF)、熵(ENT)和加权迹(WTr)等五种特征的组合共30种，其中使用两种特征的组合共10种，使用三种特征的组合共9种，使用四种特征的组合共5种，使用五种特征的组合共1种；
2)对所有的特征向量组合，使用测试图库进行测试，每种组合测试多次，综合结果的漏识率、漏识率方差等信息，确定最好的特征组合。
(4)确定人工神经网络分类器的隐含层单元数：隐含层单元数由实验确定，使用测试图库对不同隐含层单元数测试，每种单元数测试多次，综合多次实验漏识率结果，结果取漏识率最小以及单元数较小的。
(1)步骤的“3)”步骤中：提取到上沿的边缘后，通过该边缘定位电池，上沿明亮曲线的中心点十分趋近电池上沿弧线的中点，将该中心点看作电池框定矩形上边的中点，该点的具体计算过程；
step1:利用式(1)计算边缘点集合中横坐标的均值xmean；
其中为边缘点集合中第i个点的x坐标值，n为点集合中点的数量；
step2:边缘的中心点由式(2)计算；
即求横坐标中距离横坐标均值最近的点；
由于电池在相机视场内的大小固定，根据中心点即可提取电池区域。
(2)步骤中：从整幅图像提取的纹理特征值不能很好区分有无缺陷，因此，将卷积后的图像按行等分为k个相同大小的矩形区域，每个区域称为子样本；计算子样本的灰度共生矩阵，可以统计图像中像素对出现的频度，常用于生成图像的纹理特征值；矩阵大小为l*l，其中l为图像灰度级数，考虑在线实时计算效率，灰度级缩放方法见式：
统计垂直方向邻接像素对出现的频度，即生成垂直方向像素对位置为1的灰度共生矩阵。
由灰度共生矩阵生成的特征值有角二阶矩(ASM)、对比度(CON)、倒数差分矩(IDF)与熵(ENT)、加权秩(WTr)5种；将特征组合用“1”和“0”的字符串表示，设使用某特征表示为1，不使用某特征表示为0，如使用第一种、第三种和第四种特征，不使用第二种和第五种特征，则该特征组合可表示为10110；角二阶矩(ASM)、对比度(CON)、倒数差分矩(IDF)、熵(ENT)和加权迹(WTr)等五种特征的组合共30种，其中使用两种特征的组合共10种，使用三种特征的组合共9种，使用四种特征的组合共5种，使用五种特征的组合共1种。
优点及效果：本发明专利提供一种基于视觉检测的锂电池圆周面凹坑缺陷检测方法，其能有效地通过计算机处理相机捕获的电池图片，并利用图像处理及机器学习算法判断电池有无缺陷。该方法可以通过边缘检测算子和边缘高度及长宽比等信息定位图像中的电池，并截取电池区域用于后续算法。通过生成垂直方向的梯度图像，可以有效排除光照等因素的干扰，获得更可靠的电池纹理信息。通过选择生成梯度图像的灰度共生矩阵，有助于分析图像的纹理信息，从计算量较大的整幅电池图像转到计算量较小的灰度共生矩阵，有效节约程序运行时间，提高检测效率。从灰度共生矩阵中提取特征，在四种常用特征的基础上，根据凹坑缺陷的特征，提出了一种用于表达凹坑缺陷的全新的特征值加权迹，由于共生矩阵左上角的对角线上的元素(下标较小的元素)值在不同样本的矩阵中的差值不大，矩阵右下角的对角线元素(下标较大的元素)在无缺陷样本中通常等于零或接近于零，而在有缺陷样本中通常为大于零的值，通过使下标较小的元素获得较小的权值，以缩小对迹的结果的影响，使下标较大的元素获得较大的权值，以放大对迹的结果的影响，这样使加权迹的最终运算结果在有缺陷样本中数值较大，而无缺陷样本中数值较小。将得到的五种特征进行特征筛选，通过实验选择综合漏识率、方差和零漏识次数，可以进一步提高缺陷检出率和优化检测程序运行时间。最后，通过测试不同隐含层的漏识率，使得漏识率最低的同时，网络结构在尽可能简化。
附图说明：
图1图像采集平台；
图2为硬件位置关系；
图3为Canny边缘检测结果；
图4为电池定位结果；
图5为凹坑电池成像；
图6为Sobel算子运算结果。
具体实施方式：
本项目模拟电池的真实生产现场设计了图像采集实验平台，平台包括含与实际生产线相同的电池传送装置和本项目组设计的图像采集系统。电池传送装置上的滚轮可在向前运动的同时自转，自转带动电池旋转，在电池旋转时连续拍摄4张图片，实现捕获完整的电池圆周面。图像采集平台装置详见图1。
平台中的图像采集系统包括黑白面阵相机，条形白色辅光源。为使凹坑缺陷在电池成像中表现出明显的灰度变化，辅光源从电池斜上方入射，面阵相机则垂直向下拍摄电池。相机、光源与电池的位置关系如图2所示。本文使用该平台采集了394幅电池图像。
使用Canny算子检测电池边缘，Canny算子的计算步骤为高斯滤波、计算图像梯度的幅值和方向、非极大值抑制，最后使用双阈值TH和TL去除伪边缘点。经过实验调试，本文中取TH＝225，TL＝45，提取结果如图3。
提取到上沿的边缘后，通过该边缘定位电池，如前文所述，上沿明亮曲线的中心点十分趋近电池上沿弧线的中点，可将该中心点看作电池框定矩形上边的中点，下面论述该点的具体计算过程。
step1:利用式(1)计算边缘点集合中横坐标的均值xmean。
其中为边缘点集合中第i个点的x坐标值，n为点集合中点的数量。
step2:边缘的中心点由式(2)计算。
即求横坐标中距离横坐标均值最近的点。
由于电池在相机视场内的大小固定，根据中心点即可提取电池区域。经过调试，确定电池在图像中的高度为800px，宽度为200px，电池定位结果如图6所示。
图5为侧面凹坑的典型成像。对图5使用垂直方向卷积结果如图6所示。由于光源从电池垂直方向入射，凹坑缺陷的灰度值变化在该方向更明显。
从整幅图像提取的纹理特征值不能很好区分有无缺陷，因此，将卷积后的图像按行等分为k个相同大小的矩形区域，每个区域称为子样本。计算子样本的灰度共生矩阵，可以统计图像中像素对出现的频度，常用于生成图像的纹理特征值。矩阵大小为l*l，其中l为图像灰度级数，图像灰度级数为256，考虑在线实时计算效率，本文l取值16，灰度级缩放方法见式：
由于梯度图像为垂直方向，为了获得该方向的纹理特征，统计垂直方向邻接像素对出现的频度，即生成垂直方向像素对位置为1的灰度共生矩阵，所以本文取d＝1，θ＝90°。
由灰度共生矩阵生成的特征值有角二阶矩(ASM)、对比度(CON)、倒数差分矩(IDF)与熵(ENT)、加权秩(WTr)5种。将特征组合用“1”和“0”的字符串表示，设使用某特征表示为1，不使用某特征表示为0，如使用第一种、第三种和第四种特征，不使用第二种和第五种特征，则该特征组合可表示为10110。角二阶矩(ASM)、对比度(CON)、倒数差分矩(IDF)、熵(ENT)和加权迹(WTr)等五种特征的组合共30种，其中使用两种特征的组合共10种，使用三种特征的组合共9种，使用四种特征的组合共5种，使用五种特征的组合共1种。隐含层单元数在本实验中暂取10、20与30，每次使用75％的样本作为训练集。实验测试所有特征组合的漏识率和错识率，共测试70次，统计所有测试结果平均值、漏识方差与零漏检实验次数，实验结果如表1所示。
表1不同特征组合实验结果
因为本文分类问题为二分问题，所以输出向量为二维，即正样本输出向量为[0,1]，负样本输出向量为[1,0]；隐含层单元数目前尚无固定明确的方法，一般根据经验和实验结果确定[15]，本文通过实验确定隐含层单元数。从6开始，每次实验测试单元数递增1，分别测试10次，结果取所有次数的平均值。训练使用80％的样本作为训练集，其余样本作为测试集，测试集共142个样本。表2显示了隐含层单元数从6至25的测试结果。
根据实际生产需求，为了提高产品质量，希望电池缺陷的漏识率达到最低，。由实验结果可以看出当隐含层单元数为7与8时漏识率在所有测试次中最低，而隐含层单元数为8时，时间开销较小，所以确定8为隐含层单元数量。
表2不同隐含层数测试结果
对整图样本进行实验，每个样本识别结果从所有子样本的结果统计而来，当至少一个子样本预测为有缺陷时，认为此样本有缺陷，否则认为此样本无缺陷。结合表2的实验结果，取隐含层数为8，整图样本测试实验结果见表3。
表3整图测试结果
Table.3 Testing results of entire image
综上所述：本文提出一种基于视觉检测的柱形锂电池圆周面凹坑检测方法。该方法利用电池的垂直方向梯度图像，生成灰度共生矩阵，提取了角二阶矩、对比度、倒数差分矩和熵四种常用特征，又根据凹坑图像的特征，定义了加权迹这一新的特征用于分类。通过特征组合筛选，得到最佳的特征组合，提升了检测效率和缺陷检出率。通过调整神经网络隐含层的数量，进一步降低了漏识率和误识率。此方法拥有较低的漏识率和误识率，能够很好的实现柱形锂电池柱面凹坑缺陷视觉检测。

Claims (6)

1.一种柱形锂电池圆周面凹坑视觉检测方法，其特征在于：该方法的步骤如下：
(1)利用图像处理算法对定位图像中电池：
1)通过相机捕获到的图片，对比电池在图像中出现的位置，缺陷电池搜索范围；
2)使用Canny边缘检测，利用边缘宽度和图像的位置，找到电池最上边缘：由于Canny算子能有效地去除图像中的伪边缘点，在电池感兴趣区域定位出来之后，采用Canny算子提取电池边缘，Canny算子的计算步骤为高斯滤波、计算图像梯度的幅值和方向、非极大值抑制，最后使用双阈值去除伪边缘点；确定水平跨度大于n个像素点且垂直方向在最上方的边缘为所要定位的边缘；
3)通过相机捕获到的图像中电池区域所占长与宽的像素值确定电池位置和大小；
(2)利用图像处理算法生成电池缺陷特征：
1)计算电池图像的垂直方向梯度，使用垂直Sobel核卷积图像计算梯度；
2)缩减图像的灰度级规模，以提高运算效率；
3)从梯度图像计算垂直方向的灰度共生矩阵；
4)根据凹坑缺陷的特征，定义了加权迹(WTr)这种特征用于凹坑分类，加权迹定义如下：
其中l为图像灰度级数，M为灰度共生矩阵；
5)从共生矩阵生成4种常见的特征，即角二阶矩、对比度、倒数差分矩、熵；再添加上文定义的加权迹特征，共5种特征生成特征向量；
(3)进行特征筛选，从上步中获得的特征筛选出对缺陷分类效果最好的特征组合：
1)列出所有的特征向量组合，角二阶矩(ASM)、对比度(CON)、倒数差分矩(IDF)、熵(ENT)和加权迹(WTr)等五种特征的组合共30种，其中使用两种特征的组合共10种，使用三种特征的组合共9种，使用四种特征的组合共5种，使用五种特征的组合共1种；
2)对所有的特征向量组合，使用测试图库进行测试，每种组合测试多次，综合结果的漏识率、漏识率方差等信息，确定最好的特征组合；
(4)确定人工神经网络分类器的隐含层单元数：隐含层单元数由实验确定，使用测试图库对不同隐含层单元数测试，每种单元数测试多次，综合多次实验漏识率结果，结果取漏识率最小以及单元数较小的。
2.根据权利要求1所述的基于视觉检测的柱形锂电池圆周表面凹坑检测方法，其特征在于：(1)步骤的“3)”步骤中：因为相机与电池的距离固定，根据拍摄到的图像测量即可确定电池大小；根据(1)步骤的“2)”步骤确定的边缘计算边缘的中心点，首先计算边缘上所有点横坐标的均值，在求出位于边缘上距离均值点最近的点作为中心点，以中心点为最上边的中点按电池大小绘制矩形，该矩形即电池的区域。
3.根据权利要求1所述的基于视觉检测的柱形锂电池圆周表面凹坑检测方法，其特征在于：(2)步骤的“4)”步骤中,生成加权迹特征过程如下：
角二阶矩的定义为：
对比度的定义为：
倒数差分矩的定义为：
熵的定义为：
通过观察大量样本生成的共生矩阵，发现矩阵左上角的对角线上的元素，即下标较小的元素值在不同样本的矩阵中的差值不大，矩阵右下角的对角线元素，即下标较大的元素在无缺陷样本中通常等于零或接近于零，而在有缺陷样本中通常为大于零的值，通过使下标较小的元素获得较小的权值，以缩小对迹的结果的影响，使下标较大的元素获得较大的权值，以放大对迹的结果的影响；本方法将其定义为共生矩阵的加权迹(WTr)，并用之描述缺陷样本的特征，WTr定义为：
4.根据权利要求1所述的基于视觉检测的柱形锂电池圆周表面凹坑检测方法，其特征在于：(1)步骤的“3)”步骤中：提取到上沿的边缘后，通过该边缘定位电池，上沿明亮曲线的中心点十分趋近电池上沿弧线的中点，将该中心点看作电池框定矩形上边的中点，该点的具体计算过程；
step1:利用式(1)计算边缘点集合中横坐标的均值xmean；
其中为边缘点集合中第i个点的x坐标值，n为点集合中点的数量；
step2:边缘的中心点由式(2)计算；
即求横坐标中距离横坐标均值最近的点；
由于电池在相机视场内的大小固定，根据中心点即可提取电池区域。
5.根据权利要求1所述的基于视觉检测的柱形锂电池圆周表面凹坑检测方法，其特征在于：(2)步骤中：从整幅图像提取的纹理特征值不能很好区分有无缺陷，因此，将卷积后的图像按行等分为k个相同大小的矩形区域，每个区域称为子样本；计算子样本的灰度共生矩阵，可以统计图像中像素对出现的频度，常用于生成图像的纹理特征值；矩阵大小为l*l，其中l为图像灰度级数，考虑在线实时计算效率，灰度级缩放方法见式：
统计垂直方向邻接像素对出现的频度，即生成垂直方向像素对位置为1的灰度共生矩阵。
6.根据权利要求5所述的基于视觉检测的柱形锂电池圆周表面凹坑检测方法，其特征在于：由灰度共生矩阵生成的特征值有角二阶矩(ASM)、对比度(CON)、倒数差分矩(IDF)与熵(ENT)、加权迹(WTr)5种；将特征组合用“1”和“0”的字符串表示，设使用某特征表示为1，不使用某特征表示为0，如使用第一种、第三种和第四种特征，不使用第二种和第五种特征，则该特征组合可表示为10110；角二阶矩(ASM)、对比度(CON)、倒数差分矩(IDF)、熵(ENT)和加权迹(WTr)等五种特征的组合共30种，其中使用一种特制组合共5种，两种特征的组合共10种，使用三种特征的组合共9种，使用四种特征的组合共5种，使用五种特征的组合共1种。
CN201810724486.1A 2018-07-04 2018-07-04 柱形锂电池圆周面凹坑视觉检测方法 Active CN109191421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810724486.1A CN109191421B (zh) 2018-07-04 2018-07-04 柱形锂电池圆周面凹坑视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810724486.1A CN109191421B (zh) 2018-07-04 2018-07-04 柱形锂电池圆周面凹坑视觉检测方法

Publications (2)

Publication Number Publication Date
CN109191421A true CN109191421A (zh) 2019-01-11
CN109191421B CN109191421B (zh) 2022-02-22

Family

ID=64948870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810724486.1A Active CN109191421B (zh) 2018-07-04 2018-07-04 柱形锂电池圆周面凹坑视觉检测方法

Country Status (1)

Country Link
CN (1) CN109191421B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105405A (zh) * 2019-12-24 2020-05-05 刘甜甜 基于自适应深度学习的新能源锂电池表面缺陷检测方法
CN111476797A (zh) * 2020-03-19 2020-07-31 上海工程技术大学 一种喷丸成形中重叠弹坑的图像分割方法
CN112882014A (zh) * 2021-01-20 2021-06-01 东风汽车集团股份有限公司 凸台凹坑识别方法及系统
CN113313677A (zh) * 2021-05-17 2021-08-27 武汉工程大学 一种卷绕锂电池x光图像的质量检测方法
CN114187289A (zh) * 2021-12-23 2022-03-15 武汉市坤瑞塑胶模具制品有限公司 一种基于计算机视觉的塑料制品缩坑检测方法及系统
CN114359190A (zh) * 2021-12-23 2022-04-15 武汉金丰塑业有限公司 一种基于图像处理的塑料制品成型控制方法
CN115854897A (zh) * 2022-12-27 2023-03-28 东莞诺丹舜蒲胶辊有限公司 胶辊激光智能检测方法、装置、设备及介质
CN117723491A (zh) * 2024-02-07 2024-03-19 宁德时代新能源科技股份有限公司 电芯防爆阀的检测系统及检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539533A (zh) * 2009-03-11 2009-09-23 华南理工大学 电池内部缺陷自动检测装置及方法
CN102928435A (zh) * 2012-10-15 2013-02-13 南京航空航天大学 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置
CN103258206A (zh) * 2012-11-28 2013-08-21 河海大学常州校区 一种硅太阳能电池表面缺陷检测和识别方法
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
CN105526962A (zh) * 2015-11-05 2016-04-27 杭州伯坦科技工程有限公司 圆柱体锂离子电池综合性能快速检测系统及检测方法
CN106373124A (zh) * 2016-09-21 2017-02-01 哈尔滨工业大学 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法
WO2017147731A1 (en) * 2016-02-29 2017-09-08 SZ DJI Technology Co., Ltd. Uav hardware architecture

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539533A (zh) * 2009-03-11 2009-09-23 华南理工大学 电池内部缺陷自动检测装置及方法
CN102928435A (zh) * 2012-10-15 2013-02-13 南京航空航天大学 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置
CN103258206A (zh) * 2012-11-28 2013-08-21 河海大学常州校区 一种硅太阳能电池表面缺陷检测和识别方法
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
CN105526962A (zh) * 2015-11-05 2016-04-27 杭州伯坦科技工程有限公司 圆柱体锂离子电池综合性能快速检测系统及检测方法
WO2017147731A1 (en) * 2016-02-29 2017-09-08 SZ DJI Technology Co., Ltd. Uav hardware architecture
CN106373124A (zh) * 2016-09-21 2017-02-01 哈尔滨工业大学 基于灰度共生矩阵与ransac的工业产品表面缺陷视觉检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANG ZHAO等: "Fault and defect diagnosis of battery for electric vehicles based on big data analysis methods", 《APPLIEDENERGY》 *
陈后金: "基于灰度－梯度共生矩阵的钢轨表面缺陷检测方法", 《北京交通大学学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105405A (zh) * 2019-12-24 2020-05-05 刘甜甜 基于自适应深度学习的新能源锂电池表面缺陷检测方法
CN111105405B (zh) * 2019-12-24 2020-12-25 芜湖楚睿智能科技有限公司 基于自适应深度学习的新能源锂电池表面缺陷检测方法
CN111476797A (zh) * 2020-03-19 2020-07-31 上海工程技术大学 一种喷丸成形中重叠弹坑的图像分割方法
CN111476797B (zh) * 2020-03-19 2023-10-10 上海工程技术大学 一种喷丸成形中重叠弹坑的图像分割方法
CN112882014A (zh) * 2021-01-20 2021-06-01 东风汽车集团股份有限公司 凸台凹坑识别方法及系统
CN112882014B (zh) * 2021-01-20 2023-08-22 东风汽车集团股份有限公司 凸台凹坑识别方法及系统
CN113313677B (zh) * 2021-05-17 2023-04-18 武汉工程大学 一种卷绕锂电池x光图像的质量检测方法
CN113313677A (zh) * 2021-05-17 2021-08-27 武汉工程大学 一种卷绕锂电池x光图像的质量检测方法
CN114187289B (zh) * 2021-12-23 2022-08-09 武汉市坤瑞塑胶模具制品有限公司 一种基于计算机视觉的塑料制品缩坑检测方法及系统
CN114359190A (zh) * 2021-12-23 2022-04-15 武汉金丰塑业有限公司 一种基于图像处理的塑料制品成型控制方法
CN114187289A (zh) * 2021-12-23 2022-03-15 武汉市坤瑞塑胶模具制品有限公司 一种基于计算机视觉的塑料制品缩坑检测方法及系统
CN115854897A (zh) * 2022-12-27 2023-03-28 东莞诺丹舜蒲胶辊有限公司 胶辊激光智能检测方法、装置、设备及介质
CN117723491A (zh) * 2024-02-07 2024-03-19 宁德时代新能源科技股份有限公司 电芯防爆阀的检测系统及检测方法

Also Published As

Publication number Publication date
CN109191421B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN109191421A (zh) 柱形锂电池圆周面凹坑视觉检测方法
CN110414334B (zh) 一种基于无人机巡视的智能水质识别方法
CN109460753B (zh) 一种检测水上漂浮物的方法
CN105447512B (zh) 一种精粗结合的光学表面缺陷的检测方法及装置
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN111223093A (zh) 一种aoi缺陷检测方法
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN106951870B (zh) 主动视觉注意的监控视频显著事件智能检测预警方法
CN113724231A (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
WO2021109011A1 (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN108010025A (zh) 基于rcnn的屏柜的开关与指示灯定位和状态识别方法
CN110189375A (zh) 一种基于单目视觉测量的图像目标识别方法
CN114119526A (zh) 一种基于机器视觉的钢板表面缺陷检测与识别系统及方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN110009601A (zh) 基于hog的大型装备不规则外形表面缺陷检测方法
CN116109849A (zh) 基于surf特征匹配的高压隔离开关定位与状态识别方法
CN114612418A (zh) 一种鼠标外壳表面缺陷检测方法及装置、系统、电子设备
Zhang et al. Fabric defect detection based on visual saliency map and SVM
Imran et al. Image-based automatic energy meter reading using deep learning
CN107545565A (zh) 一种太阳能网版检测方法
CN111340783A (zh) 一种实时布匹缺陷检测方法
Huang et al. Mango surface defect detection based on HALCON
Xu et al. A deep neural network-based intelligent detection model for manufacturing defects of automobile parts
KR101782366B1 (ko) 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant